Instrumental variable estimation with first-stage heterogeneity
存在第一阶段异质性的工具变量估计AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要以工具变量处理内生性，并研究教育回报和经济条件对投票的影响，直接支持因果推断这一细分方向。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
存在第一阶段异质性的工具变量估计
- 研究问题
- 如何利用工具变量与内生变量相关性的第一阶段异质性改善估计误差，并避免依据第一阶段显著性筛选样本导致错误推断？
- 方法与思路
- 作者提出利用第一阶段异质性的数据驱动程序，分析渐近均方误差收益，并考察按第一阶段 t 统计量选样本的后果。
- 材料陈述的贡献
- 摘要称异质性较强时可获得较大渐近均方误差收益，而简单显著性筛选可能严重过度拒绝；另提供教育和投票应用。
- 阅读关注点
- 应核对异质性的建模与估计方式、数据驱动程序如何处理选择误差，以及均方误差收益是否伴随有效的第二阶段推断。
- 阅读边界
- 仅据所给出版社摘要，无法判断程序细节、工具变量有效条件或有限样本收益；渐近均方误差改善不保证所有样本更优。
原文摘要
We propose a simple data-driven procedure that exploits heterogeneity in the first-stage correlation between an instrument and an endogenous variable to improve the asymptotic mean squared error (MSE) of instrumental variable estimators. We show that the resulting gains in asymptotic MSE can be quite large in settings where there is substantial heterogeneity in the first-stage parameters. We also show that a naive procedure used in some applied work, which consists of selecting the composition of the sample based on the value of the first-stage t-statistic, may cause substantial over-rejection of a null hypothesis on a second-stage parameter. We apply the methods to study (1) the return to schooling using the minimum school leaving age as the exogenous instrument and (2) the effect of local economic conditions on voter turnout using energy supply shocks as the source of identification.